利用不确定性感知的边界框进行无监督 3D 对象检测
计算机视觉与模式识别
2024-10-10 v2
摘要
无监督 3D 对象检测旨在从未标记的原始数据（如 LiDAR 点）中识别感兴趣的对象。最近的做法通常采用聚类算法生成的伪 3D 边界框（3D bboxes）来初始化模型训练。然而，伪边界框必然包含噪声，这些不准确会累积到最终模型中，影响性能。为此，我们提出一种新的不确定性感知框架，用于无监督 3D 对象检测，称为 UA3D。具体方法分为两个阶段：不确定性估计和不确定性正则化。（1）在不确定性估计阶段，我们在原始主检测器旁加入一个额外的辅助检测分支。主检测器和辅助检测器之间的预测差异可反映边界框坐标级别的细粒度不确定性。（2）基于评估到的不确定性，我们自适应地调整每个 3D 边界框坐标的权重，以不确定性正则化方式细化伪边界框上的训练过程。对于不确定性较高的伪边界框坐标，我们赋予较低的损失权重。大量实验验证了我们的方法对噪声伪边界框具有鲁棒性，在 nuScenes 和 Lyft 上实现了显著的性能提升，分别在 nuScenes 上提升了 +6.9% AP_{BEV} 和 +2.5% AP_{3D}，在 Lyft 上提升了 +4.1% AP_{BEV} 和 +2.0% AP_{3D}。
引用
@article{arxiv.2408.00619,
title = {Harnessing Uncertainty-aware Bounding Boxes for Unsupervised 3D Object Detection},
author = {Ruiyang Zhang and Hu Zhang and Hang Yu and Zhedong Zheng},
journal= {arXiv preprint arXiv:2408.00619},
year = {2024}
}
备注
Preprint, 19 pages, 6 figures, 5 tables